LesionPaste：面向医学图像的一次性异常检测
图像与视频处理
2022-03-15 v1 计算机视觉与模式识别
摘要
由于人工标注医学图像的成本高昂，尤其是针对大规模数据集，异常检测已通过仅使用正常数据训练模型的方式被加以探索。缺乏关于真实异常的先验知识是先前异常检测方法应用受限的主要原因，尤其在医学图像分析领域。本工作中，我们提出一种一次性异常检测框架，即LesionPaste，其利用单张标注样本中的真实异常并合成人工异常样本用于异常检测。首先，通过对随机选取的病灶块施加数据增广来构建病灶库。然后，采用MixUp将病灶库中的块粘贴至正常图像的随机位置以合成异常样本用于训练。最后，使用合成异常样本与真实正常数据训练一个分类网络。我们在两个具有不同类型异常的公开医学图像数据集上进行了充分实验。在这两个数据集上，我们提出的LesionPaste大幅优于多种最先进的（SOTA）无监督与半监督异常检测方法，并与全监督对应方法表现相当。值得注意的是，LesionPaste在检测早期糖尿病视网膜病变方面甚至优于全监督方法。
引用
@article{arxiv.2203.06354,
title = {LesionPaste: One-Shot Anomaly Detection for Medical Images},
author = {Weikai Huang and Yijin Huang and Xiaoying Tang},
journal= {arXiv preprint arXiv:2203.06354},
year = {2022}
}